一种低截获概率雷达的联合信号检测与调制识别方法

本发明涉及雷达电子侦察，具体涉及一种低截获概率雷达的联合信号检测与调制识别处理方法。

背景技术：

1、低截获概率雷达往往具有频段宽、功率低、调制复杂、参数捷变等特性，能够有效降低非合作方截获接收机检测和识别其发射信号的概率，具有高隐蔽性、强抗干扰性的优点，被广泛应用于现代雷达设备中。现在已存在多种lpi雷达信号调制方式，主要分为频率调制(frequency modulation,fm)和相位调制(phase modulation,pm)两种。对于fm，主要包括线性调频信号(lfm)和跳频信号(costas)；对于pm，主要包括frank码、baker码、p码(p1-p4)和t码(t1-t4)等进行相位编码的信号。低截获概率雷达的特性为非合作方雷达信号检测与调制识别任务带来了巨大的挑战。

2、在非合作雷达信号检测任务中，早期常使用基于统计方法。首先，依据先验知识设计手工特征，对处理帧中侦收到的信号进行特征提取，然后利用事先设计的判决门限进行信号检测。由于判决特征设计高度依赖专家经验，且基于阈值的判决具有较大局限性，传统方法无法适应日益复杂电磁环境与新体制雷达波形所带来的低信噪比、包络畸变等非理想情况与低截获概率波形带来的低功率特性；另一方面，传统方法利用单个处理帧内的信息，忽略了雷达信号相邻脉冲之间的序列关系。可以将多个帧内的信息进行累积，以改善低信噪比下的检测性能。

3、在雷达信号调制类型识别任务中，传统方法常将时频分析与深度网络相结合。首先对侦收到的的波形信号进行时频分析得到时频二维图像，再利用深度网络对时频图进行特征提取然后分类。基于深度学习的方法有效提升了低信噪比情况下调制类型识别的准确率。但是时频分析的计算复杂度高，目前难以满足实际电子侦察应用中实时处理的要求。

4、此外，传统电子侦察接收机的处理流程中，往往将信号检测与调制类型识别任务通过两个级联的处理流程解决。第一级进行信号检测，第二级对检测到的信号进行调制类型识别。由于先进体制雷达脉冲调制类型日益复杂，一方面，不同的调制类型对应了能量在时频域不同的分布规律，充分利用这些调制信息可以辅助对雷达信号的检测；另一方面，级联完成信号检测与调制识别两个任务增加了电子侦察系统处理流程的复杂度，不利于实际部署与应用。

5、深度学习中的多任务学习(multi-task learning)深度神经网络具有同时解决多个任务的能力，在许多领域得到了广泛的应用。多任务网络可以利用一个网络同时完成多个任务，增加了推理速度，增加了在实际系统用应用的可能性；另一方面，多任务网络可以利用不同任务之间的相关信息提升网络的性能。在信号检测与调制识别任务中，一方面，雷达信号的调制信息可以辅助信号检测以提升低信噪比下的检测性能；此外，一个模型同时解决多个任务也能有效减少网络参数的内存占用与实际系统应用部署的复杂度。

技术实现思路

1、本发明提出一种对低截获概率雷达的联合信号检测与调制识别处理方法，可以对接受到的包含有多个脉冲、复杂调制类型、灵活调制参数取值的低截获概率雷达波形信号，实现每个脉冲的准确检测，并给出检测得到的每个脉冲对应起止时间和调制类型识别结果。

2、对低截获概率雷达的联合信号检测与调制识别处理方法，包括：

3、s1、构建用于训练的数据集：

4、s11、将包含不同调制类型的多个脉冲波形样本按照按到达时间的先后顺序组成一个脉冲序列样本；

5、s12、获得多个具有不同脉冲数目、多种调制类型和不同到达时间的脉冲序列样本，并获得样本中每个脉冲的到达时间和结束时间作为检测标签，获得样本中每个脉冲的调制类型作为识别标签；脉冲序列样本和标签共同构成数据集；

6、s2、将数据集中脉冲序列样本分割成多个样本块；

7、s3、构建深度多任务神经网络jdmr-net，该网络包含局部特征提取层、全局相似性挖掘层和特定任务层；

8、局部特征提取层由两个面向不同时间尺度的lstm层实现，第一个lstm层对预处理后得到的样本块并行地进行特征提取，得到特征提取结果将特征提取结果中相邻的多个样本块进行拼接，得到特征提取结果然后，第二个lstm层对拼接后样本块并行地进行特征提取，得到特征提取结果

9、全局相似性挖掘层采用交叉注意力机制实现，针对两个面向不同时间尺度lstm层提取到的特征提取结果和特征提取结果计算交叉注意力，得到全局相似性挖掘层的输出；

10、特定任务层包含信号检测任务层和调制识别任务层；基于所述全局相似性挖掘层的输出，信号检测层输出每个脉冲的起止时间，调制识别任务层输出每个脉冲对应的调制类型；由此进行深度多任务神经网络jdmr-net的训练；

11、s4、对待检测与待识别的低截获概率雷达脉冲序列波形信号，输入到对应的训练好的深度多任务神经网络jdmr-net中，得到每个待检测与待识别信号中各个脉冲的起止时间及其对应的调制类型。

12、较佳的，在对深度多任务神经网络jdmr-net进行训练的过程中，损失函数为：

13、

14、其中，α表示损失函数所占的权重，取值为0.1；

15、

16、

17、式中，y表示真实标签，表示预测标签；b表示检测标签,表示预测的检测标签，c表示识别标签，表示预测的识别标签，m表示样本中的脉冲数目，表示第j个脉冲的起始时间，为信号检测层输出的对应的预测值；表示第j个脉冲的结束时间，为调制识别任务层输出的对应的预测值，cj表示第j个脉冲的调制类型，表示判定为该调制类型的概率。

18、较佳的，在所述全局相似性挖掘层，交叉注意力机制依次包括两组串联的注意力模块、前馈层、残差连接层和归一化层；在第一个注意力模块，作为产生查询向量q的输入，作为产生键向量k和值向量v的输入；在第二个注意力模块，作为产生查询向量q的输入，作为产生键向量k和值向量v的输入；

19、然后，各组注意力模块：

20、先将当前样本块的查询向量qi和其他样本块的键向量做点积是计算得分：

21、

22、然后将得分除以并通过softmax层，使所有分数归一化：

23、

24、dk为产生键向量的权重矩阵的维度，n表示样本块的数目；

25、最后，将当前样本块的值向量vi乘以分数si′j，并将其求和：

26、

27、各样本块对应的分数zi构成分数向量z被送入前馈层中，输出的结果再进行残差连接层和归一化层操作，得到全局相似性挖掘层的输出。

28、较佳的，所述s2中，先计算得到每个脉冲序列样本的均值和方差，并对每个样本减去均值并除以方差，完成标准化处理，再分成样本块。

29、较佳的，对检测标签进行归一化处理，对识别标签进行one-hot编码处理。

30、较佳的，以矩阵运算的形式计算交叉注意力：

31、

32、其中，q,k，v分别为由多个查询向量q、键向量k和值向量v构成的运算矩阵。

33、较佳的，信号检测任务层由全连接层实现，使用sigmoid激活函数；调制类型识别任务层由全连接层实现，使用softmax激活函数。

34、较佳的，对深度多任务神经网络jdmr-net的训练，利用反向传播算法更新模型参数，不断重复上述操作直到最大迭代数，同时利用优化器adam降低训练过程中损失函数值。

35、本发明的有益效果：

36、本发明提出一种对低截获概率雷达联合信号检测与调制识别处理方法，可以对接收到的包含有多个脉冲、复杂调制类型、灵活调制参数取值的低截获概率雷达波形信号，实现每个脉冲的准确检测，并给出检测得到的每个脉冲对应起止时间和调制类型识别结果，具体为：

37、本发明结合多任务学习原理，利用深度神经网络的自动特征学习能力，能够有效提取输入原始脉冲序列的局部时序特征和全局相似性特征，在恶劣信噪比条件下也能准确完成信号检测与调制识别任务；本发明使用包含有多个脉冲的波形序列作为输入，可以利用多个脉冲的累积实现检测与识别性能的提升，且没有传统方法中时频变换带来的额外计算负担；本发明使用一个深度多任务神经网络同时完成信号检测和调制类型识别两个任务，有效地简化了传统电子侦察接收机的处理流程；本发明提出的对雷达联合信号检测与调制识别处理方法具有低计算复杂度、高可并行性的特点，为方法在实际实时系统中的应用部署提供了可能。